TensorFlow2.0教程-keras 函数api_tensorflow api中文-CSDN博客

本文链接：https://blog.csdn.net/qq_31456593/article/details/88377194

该教程详细介绍了TensorFlow 2.0中的Keras函数API，包括构建简单网络、共享网络、多输入多输出模型、复杂网络结构如残差网络的构建、网络层共享和复用，以及自定义网络层的方法。同时，还涵盖了模型的训练、验证、测试、保存和序列化等关键操作。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

TensorFlow2.0教程-keras 函数api

Tensorflow 2.0 教程持续更新： https://blog.csdn.net/qq_31456593/article/details/88606284

TensorFlow 2.0 教程- Keras 快速入门
 TensorFlow 2.0 教程-keras 函数api
TensorFlow 2.0 教程-使用keras训练模型
 TensorFlow 2.0 教程-用keras构建自己的网络层
 TensorFlow 2.0 教程-keras模型保存和序列化
 TensorFlow 2.0 教程-eager模式
 TensorFlow 2.0 教程-Variables
TensorFlow 2.0 教程–AutoGraph

TensorFlow 2.0 深度学习实践

TensorFlow2.0 教程-图像分类
 TensorFlow2.0 教程-文本分类
 TensorFlow2.0 教程-过拟合和欠拟合

完整tensorflow2.0教程代码请看tensorflow2.0：中文教程tensorflow2_tutorials_chinese(欢迎star)

1构建简单的网络

1.1创建网络


inputs = tf.keras.Input(shape=(784,), name='img')
h1 = layers.Dense(32, activation='relu')(inputs)
h2 = layers.Dense(32, activation='relu')(h1)
outputs = layers.Dense(10, activation='softmax')(h2)
model = tf.keras.Model(inputs=inputs, outputs=outputs, name='mnist model')

model.summary()
keras.utils.plot_model(model, 'mnist_model.png')
keras.utils.plot_model(model, 'model_info.png', show_shapes=True)

1.2训练、验证及测试

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
x_train = x_train.reshape(60000, 784).astype('float32') /255
x_test = x_test.reshape(10000, 784).astype('float32') /255
model.compile(optimizer=keras.optimizers.RMSprop(),
             loss='sparse_categorical_crossentropy', # 直接填api，后面会报错
             metrics=['accuracy'])
history = model.fit(x_train, y_train, batch_size=64, epochs=5, validation_split=0.2)
test_scores = model.evaluate(x_test, y_test, verbose=0)
print('test loss:', test_scores[0])
print('test acc:', test_scores[1])

1.3模型保持和序列化

model.save('model_save.h5')
del model
model = keras.models.load_model('model_save.h5')

2 使用共享网络创建多个模型

在函数API中，通过在图层图中指定其输入和输出来创建模型。这意味着可以使用单个图层图来生成多个模型。

# 编码器网络和自编码器网络

encode_input = keras.Input(shape=(28,28,1), name='img')
h1 = layers.Conv2D(16, 3, activation='relu')(encode_input)
h1 = layers.Conv2D(32, 3, activation='relu')(h1)
h1 = layers.MaxPool2D(3)(h1)
h1 = layers.Conv2D(32, 3, activation='relu')(h1)
h1 = layers.Conv2D(16, 3, activation='relu')(h1)
encode_output = layers.GlobalMaxPool2D()(h1)

encode_model = keras.Model(inputs=encode_input, outputs=encode_output,